Abstrak— Penelitian yang dilakukan ini adalah untuk mengklasifikasikan tanaman berdasarkan bentuk daunnya. Terdapat 1907 citra daun berasal dari 32 jenis tanaman yang berbeda. Citra daun tersebut diambil dari website flavia. Proses klasifikasi daun-daun dilakukan dengan menggunakan Neural Network dengan metode Back Propagation Neural Network (BPNN). Tahap awal adalah mengubah ukuran gambar yang didapat dari flavia 1600x1200 piksel menjadi berukuran 300x225 piksel, terdiri dari tahap membuat gambar dengan Sobel untuk mendeteksi tepi, membuat gambar dengan Sobel dan menambah kecerahan gambar, sehingga tepi dan serat daun dapat lebih jelas. Citra daun di potong-potong dengan angular partition (sudut pembagi) 5°, 11.25°, 22.5°, 30°, 45° dan 90°. Pembuatan data set dengan delapan ekstrasi fitur daun yang terdiri dari menghitung: jumlah piksel-piksel pada bagian daun, jumlah piksel pada keliling daun, jumlah sudut pada daun, jumlah piksel pada keliling dan serat daun serta menghitung jarak tiap-tiap piksel tersebut dengan center of gravity (titik berat). Pada penelitian ini dilakukan 100 macam variasi nilai hidden layer untuk tiap-tiap sudut pembagi tersebut. Hasil dari penelitian ini adalah: semakin kecil sudut pembagi(5°) dan semakin besar sudut pembagi (90°) tidak menghasilkan akurasi yang semakin bagus. Hasil akurasi tertinggi yang diraih sebesar 96,7488%. Hasil tersebut didapat dengan membagi daun menjadi sudut 11,25° tiap bagian (16 bagian), Susunan BPNN yang digunakan terdiri dari 1 input, 1 output, 3 hiden layer, tiap hidden layer berisi 128, 120, 112 neurons, dan 32 neurons untuk output layer.
Kata Kunci—Angular Partition, Back Propagation, Center of Gravity, Neural Network.
I. PENDAHULUAN
Tanaman adalah makluk hidup yang sangat berperan penting dalam ekosistem.Tanpa tanaman susunan ekosistem pasti akan terganggu dan besar kemungkinan akan musnah. Hal ini dikarenakan tanaman berfungsi sebagai bahan makanan, obat-obatan, bio energy, dan juga sebagai penyeimbang alam karena tanaman juga menghasilkan gas O2 dan CO2 selain itu tanaman juga berfungsi sebagai penahan resapan air didalam tanah. Fungsi tanaman sangat penting, tanpa tanaman maka tidak akan ada kehidupan. Ada sekitar 350.000 jenis tanaman di bumi yang telah dikenal. Indonesia terletak didaerah khatulistiwa sehingga mendapat
Elkana Lewi Santoso, Pengajar di STT Cahaya Surya Kediri, Jawa Timur, Indonesia (e-mail: elkanaliu@cahayasurya.ac.id)
Endang Setyati, Teknologi Informasi Institut Sains dan Teknologi Terpadu Surabaya, Surabaya, Jawa Timur, Indonesia (e-mail: endang@stts.edu)
Yosi Kristian, Informatika Institut Sains dan Teknologi Terpadu Surabaya, Surabaya, Jawa Timur, Indonesia (email: yosi@stts.edu)
sinar matahari sepanjang tahun dan curah hujan yang tinggi hal ini sangat menunjang untuk kelangsungan hidup flora dan fauna.
Dengan semakin berkembangnya teknologi dibidang komputer, sehingga komputer mampu mengerjakan tugas-tugas secara cepat dan simultan. Salah satu perkembangan computer dewasa ini adalah dalam bidang pengenalan obyek (object Recognation). Dalam penelitian ini akan diterapkan teknologi pengenalan terhadap obyek daun. Daun adalah salah satu unsur yang penting untuk mengenali species tanaman[1]. Banyaknya jenis tumbuhan dapat dilihat dengan bentuk daun yang berbeda sebagai ciri yang mewakili jenis tanaman. Sehingga tidak mungkin untuk dihafalkan, oleh karena itu diperlukan suatu aplikasi cerdas yang dapat mengenali berbagai berbagai macam daun.Sehingga diharapkan dapat membantu para ahli biologi, pelajar/mahasiswa dan peneliti lain untuk dapat mengklasifikasikan tanaman berdasarkan bentuk daun.
Dalam penelitian ini, digunakan metode Anggular Partition[2] untuk membentuk ekstraksi karakteristik daun dan Back Propagation Neural Network (BPNN) untuk mengklasifikasikan daun berdasarkan karakteristik bentuk daun.
Angular partition yang digunakan pada penelitian ini sebesar 5°,11.25°, 22.5°, 30°, 45° dan 90°. Hal ini dilakukan untuk mengetahui berapa besar sudut yang sesuai dan menghasilkan akurasi yang paling besar.
II.PENELITIANPENUNJANG
Bab ini membahas tentang teori-teori penunjang yang dipergunakan dalam penyelesaian penelitian. Teori penunjang ini mencakup penjelasan dari beberapa jurnal
Klasifikasi Citra Daun Memanfaatkan Angular
Partition, Edge Detection dan Neural Network
Elkana Lewi Santoso,
STT Cahaya Surya Kediri
, Endang Setyati,
Teknologi Informasi iSTTS
, dan
Yosi Kristian,
Informatika iSTTS
ilmiah yang diambil untuk membandingkan dan menunjang penelitian ini beserta teori umum seperti biner, grayscale, sobel, angular partition, dan BPNN
Pada tahun 2004 Abdolah Chalechale[3], Golshah Naghdy, Alfred Mertins telah meneliti metode untuk angular partition pada sebuah image abstrak, Data set yang mereka gunakan dalam percobaan yaitu sebanyak 365 image full color dengan ukuran yang bervariasi dan 180 dari image sketsa hitam putih sebagian untuk dijadikan data uji dengan dilakukan berbagai rotasi 900, 1800, dan 2700 . Data tersebut mereka dapatkan dari World Art Kiosk at California State University.
Pada tahun 2007 Stephen Gang Wu, Forrest Sheng Bao, Eric You Xu, Yu-Xuan Wang, Yi-Fan Chang, Qiao-Liang Xiang menemukan cara mengklasifikasikan daun dengan metode Probabilitas Neural Network (PNN). Penelitian ini dimuat juga pada laman Flavia yang menyediakan kumpulan gambar daun berjumlah 1907 daun yang terdiri dari 32 klas[1]. Dari gambar daun tersebut dilakukan penelitian ini.
Pada tahun 2007 Johann Misterio, Krshna Ravindra, Rene D Rivero, Henry McCloud, Levelle Burr-Alexander, Nuggehalli Ravindra meneliti tentang dimensi fraktal pada daun [4] yaitu suatu bentuk yang sama yang bisa berulang. pada suatu dimensi pada daun. Dari penelitian ini maka dapat disimpulkan bahwa data perbandingan dari jumlah piksel tiap potongan dengan totol semua piksel dari daun yang disebut normalisasi bisa dilakukan pada data set. Pada tahun 2011 Dimpy Adira Ratu [11], meneliti tentang pengenalan tanaman obat-obatan dengan mengunakan box clustering dan Probabilistic Neural Network (PNN)[1][10][11], Box Clustering digunakan untuk pembentukan data set. sedangkan dalam penelitian ini menggunakan Angular Partition.
Pada tahun 2014 sebuah penelitian yang diterbitkan semantic Schoolar yang ditulis oleh Kesari Verma, Ligendra Kumar Verma, dan Priyanka Tripathi menemukan BPA (Back Propagation Algorithm) adalah salah satu satu teknik kategorisasi image yang paling sesuai, karena semua vektor fitur tersedia dalam bentuk numerik. eksperimen yang telah dilakukan menemukan bahwa ketepatan klasifikasi juga bergantung pada hidden layer dan epoches [12].
Dari penelitian-penelitian tersebut maka pada penelitian ini dilakukan penelitian klasifikasi citra daun dengan pembagian sudut pada struktur permukaan citra daun dan metode backpropagation untuk proses pengklasifikasian citra daun tersebut. Citra daun berasal dari flavia web yang berbentuk jpg dan berukuran 1600(p) x 1200 (L) terdiri dari 3 layer RGB. Citra tersebut dikecilkan menjadi berukuran 300x225 tetap berupa RGB. Dari citra hasil resize tersebut dilakukan preprocessing untuk membentuk citra dengan tampak tepi luar daun dan citra dengan tampak tepi luar dan serat daun seperti yang terlihat pada Gambar 3.
Pada Gambar 2 adalah gambar dari rancangan sistem yang digunakan. Hasil dari ekstraksi fiture dari citra daun disimpan dalam bentuk feature vektor untuk kemudian dilakukan proses klasifikasi dengan persentasi data 70% untuk trainning, 15% untuk testing dan 15% untuk validasi data. Validasi data digunakan untuk memvalidasi bahwa jaringan itu berjalan normal dan untuk menghentikan pelatihan sebelum terjadi overfitting
[5]
. Dari pembelajaran klasifikasi citra daun pada neural network, didapat simulasineural network yang dapat digunakan untuk mengklasifikasikan citra daun lain sebagai citra uji.
III.METODOLOGI
A. DATA SET
Data citra daun diambil dari situs flavia sebanyak 1907 citra yang terdiri dari 32 jenis tanaman seperti yang terdapat pada Tabel I dan akan diresize menjadi 300x225 piksel, Pada semua citra daun tersebut dilakukan proses untuk membuat data set:
1. HSV[9] untuk membuat deteksi tepi agar lebih terlihat jelas.
2. Biner adalah proses untuk menghasilkan citra hitam dan putih.
3. Sobel untuk mendeteksi tepi daun dan serat daun. 4. Angular partition sebesar 5°, 11.25°, 22.5°, 30°, 45°, 90°.
Gambar 3. Citra Tepi Luar dan Serat Daun. Gambar 2. Rancangan Sistem
Feature Vektor DB Query Feature Vektor OUTPUT Jenis Kelas Daun Backpropagation Klasifikasi Daun Citra Latih Daun Praprose s HSV Colale BINER SOBEL Angular Partition fiture extraction Citra Uji Daun Praprose s BINER SOBEL Angular Partition HSV Colale fiture extraction
Pada penelitian ini digunakan 8 shape feature extraction (ekstraksi feature permukaan) citra daun yaitu:
1. Jumlah titik piksel pada satu area partition.
2. jarak tiap titik pada area partition dengan titik imbang. 3. Jumlah titik piksel pada dekteksi tepi disuatu area. 4. Jarak tiap titik piksel pada deteksi tepi dengan titik berat di satu area.
5. Jumlah titik piksel pada deteksi tepi dan serat daun di satu area partisi.
6. jarak tiap titik piksel pada deteksi tepi dan serat daun dengan titik imbang.
7. Jumlah titik corner/sudut pada satu area partisi.
8. Jarak titik corner/ sudut dengan titik imbang di satu partisi.
Feature vektor extractio tersebut disimpan kedalam suatu file untuk proses trainning dan testing BPNN.
B. ANGULARPARTITION(AP)
Angular partition adalah membagi citra daun dengan sudut tertentu, titik pusat yang dipakai adalah titik berat dari citra daun seperti pada Gambar 1.
Pada penelitian ini digunakan 8 ekstraksi fiture yaitu menghitung jumlah piksel pada luas, keliling, serat, jumlah gerigi serta jarak semua piksel-piksel tersebut dengan titik berat citra daun. Data set dan feature vektor yang dihasilkan dengan 8 ekstraksi feature tersebut tampak pada Tabel II.
ytotal=∑ (∑ 𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑖𝑡𝑖𝑘 𝑝𝑎𝑑𝑎 (𝑖,𝑘 300 𝑘=1 225 𝑖=1 )) ∗ 𝑖 𝑡𝑜𝑡𝑎𝑙 𝑖𝑠𝑖 (1) xtotal=∑ (∑ 𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑖𝑡𝑖𝑘 𝑝𝑎𝑑𝑎(𝑘,𝑖 225 𝑘=1 300 𝑖=1 )) ∗ 𝑖 𝑡𝑜𝑡𝑎𝑙 𝑖𝑠𝑖 (2)
Pada persamaan (1) dan (2) xtotal adalah posisi titik berat pada sumbu X, ytotal adalah posisi titik berat pada sumbu Y, sedangkan totalisi adalah jumlah piksel pada citra daun. Persamaan untuk mencari jarak diantara dua titik:
𝑟 = √(𝑥𝑡𝑜𝑡𝑎𝑙 − 𝑥2)2+ (𝑦𝑡𝑜𝑡𝑎𝑙 − 𝑦2)2 (3)
Pada persamaan (3) r adalah jarak antara (xtotal,ytotal) dengan titik (x2,y2), x2 adalah nilai sumbu X pada titik yang dicari, y2 adalah nilai sumbu Y pada titik yang dicari, xtotal dan ytotal adalah titik dari titik imbang.
Potongan pertama adalah potongan yang berasal dari garis yang dibuat dengan mencari titik terjauh citra daun dengan titik berat dari citra dan berputar searah jarum jam terlihat pada Gambar 4.
Ekstraksi fiture daun dengan menggunakan angular partition ini memiliki kelebihan diantaranya adalah citra daun yang hendak dipakai untuk pengujian dapat di flip, diresize dan dirotasi, masih dapat diklasifikasikan dengan benar.
Pada penelitian ini hanya menggunakan shape feature extraction, tidak menambah dengan texture dan color extraction. Sehingga proses learning machine untuk mengklasifikasi citra daun yang dilakukan oleh komputer dirasa cepat dan ringan.
TABEL II
PEMBAGIAN DATA SET & FEATURE VECTOR
SUDUT PEMBAGI
DATA SET (8 EKSTRAKSI FEATURE) FEATURE VEKTOR (1907 citra) 5 72*8=576 1.098.432 11.5 32*8=256 488.192 22.5 16*8=128 244.096 30 12*8=96 183.072 45 8*8=64 122.048 90 4*8=32 61.024
C. BACKPROPAGATION NEURAL NETWORK
BackPropagation Neural Network adalah meliputi proses forward pass dan backward pass. Sebuah input akan dimasukkan pada layer neural network secara forward untuk menghasilkan suatu target yang telah ditetapkan, hal ini memunculkan suatu nilai error loss jika target tersebut tidak terpenuhi, dilakukan back pass kedalam layer neural network kembali dengan merubah gradien untuk menghasilkan error lost terkecil. Metode pelatihan yang diawasi (supervised learning), dalam pengertian pelatihan ini mempunyai target yang akan dihasilkan. Ciri dari Backpropagation adalah meminimalkan error pada output yang dihasilkan oleh jaringan dengan cara mengubah
TABEL II
DAFTAR DAUN dari 32 JENIS TANAMAN
No. Common Name(s) Jumlah
1 pubescent bamboo 59
2 Chinese horse chestnut 63
3 Chinese redbud 72 4 true indigo 73 5 Japanese maple 56 6 Nanmu 62 7 castor aralia 52 8 goldenrain tree 59 9 Chinese cinnamon 55 10 Anhui Barberry 65 11 Big-fruited Holly 50 12 Japanese cheesewood 63 13 wintersweet 52 14 camphortree 65 15 Japan Arrowwood 60 16 sweet osmanthus 56 17 deodar 77
18 ginkgo, maidenhair tree 62 19 Crape myrtle, Crepe myrtle 61
20 oleander 66
21 yew plum pine 60
22 Japanese Flowering Cherry 55
23 Glossy Privet 55 24 Chinese Toon 65 25 peach 54 26 Ford Woodlotus 52 27 trident maple 53 28 Beale's barberry 55 29 southern magnolia 57 30 Canadian poplar 64
31 Chinese tulip tree 53
32 tangerine 56
gradien. Pada metode backpropagation, seringkali mempunyai susunan dengan jaringan multilayer.[7]
Untuk mencari nilai akurasi tertinggi tidak ada rumusan tentang berapa jumlah hidden layer serta jumlah neuron yang terdapat pada tiap multilayer, sehingga pada dilakukan eksperimen 100 variasi susunan layer neural network untuk setiap angular partition.
Trainning yang digunakan adalah SCG (Scaled Conjugate Gradient) yang berfungsi untuk memperbarui bobot dan meminimalkan error yang terjadi. Inisialisasi scg ini berupa 400 epoch, 287 max-fail, minimum gradien 1e-3.
D. Perbandingan Waktu Trainning Data.
Penelitian ini menghasilkan data feature vector dari 1907 citra daun dan dilanjutkan kedalam proses pembelajaran untuk mengklasifikasikan citra daun dengan BPNN maka didapat akurasi tertinggi untuk angular partition (AP) 11.25° dan 22.5° adalah sama, sebesar 96,75%.
Dalam pengujian waktu tercepat yang dimulai saat program dijalankan didapat bahwa untuk sudut 11.25° (±86 detik) adalah yang terbaik dan tercepat dibandingkan mengunakan angular partition 22.5° (±100 detik) seperti yang terlihat pada Tabel III.
Perhitungan waktu tersebut untuk mengetahui waktu trainning mana yang tercepat, waktu yang dihasilkan sangat tergantung dari specifikasi hardware, software, besar AP yg ditrainningkan, dan jumlah neuron didalam NN yang berjalan saat proses.
Gambar 5. BackPropagation Neural Network
(a) (b) (c) (d) (e) (f)
TABEL III AKURASI dan WAKTU
SUDUT PEMBAGI AKURASI WAKTU (DETIK) 5° 96,49% ±131 11.25° 96,75% ±86 22.5° 96,75% ±100 30° 95,75% ±73 45° 94,76% ±74 90° 82,28 ±81.2
Perhitungan akurasi didapat dengan persamaan 4, TP (true positif) adalah jumlah citra yang diklasifikasikan dengan benar,
Pada Gambar 6, tampak jumlah hidden layer dan jumlah Susunan Neural Network yang digunakan untuk trainning, validating dan testing beserta jumlah neuron didalamnya untuk tiap angular partition
IV. PENGUJIAN
Dalam bagian ini dilakukan beberapa macam pengujian terhadap hasil trainning.
Pada Tabel 4 terdapat data jumlah daun yang dapat dikenali untuk tiap jenis beserta angular partition yang digunakan untuk membentuk ekstraksi fiture.
Pada proses pengujian ini dilakukan beberapa modifikasi citra daun. citra daun yang dimodifiksi adalah citra daun yang awalnya dapat diklasifikasikan dengan benar.
Modifikasi citra daun tersebut meliputi horisontal flip,
vertikal flip, dan rotasi image.
Citra daun yang diambil untuk pengujian terdapat pada Gambar 7.
A. Horisontal Flip.
Gambar 7(a) dan 7(b) direfleksikan pada sumbu Y, dengan cara mengubah mengubah setiap koordinat piksel citra f(x,y) menjadi f(-x,y).
Gambar 8(a) adalah pengujian untuk gambar 7(a) yang telah dilakukan proses flip secara horisontal, hasil pengujian tampak bahwa Citra daun 2331 Sweet Osmanthus yang telah di flip horisontal masih dapat diklasifikasikan dengan benar. Gambar 8(b) adalah pengujian untuk gambar 7(b) yang telah dilakukan proses flip secara horisontal, hasil pengujian tampak bahwa Citra daun 3345 Beale Barberry yang telah di flip horisontal masih dapat diklasifikasikan dengan benar. B. Vertikal Flip
Gambar 7(a) dan 7(b) direfleksikan pada sumbu X, dengan cara mengubah koordinat setiap piksel pada citra f(x,y) menjadi f(x,-y).
(a)
(b)
Gambar 8. Hasil Klasifikasi BPNN Citra Daun di Flip Horisontal (a) 2331 Sweet Osmanthus, (b)3345 Beale Barberry.
(a) (b)
Gambar 7. Citra Awal
(a) 2331 Sweet Osmanthus, (b) 3345 Beale Barberry.
TABEL IV
JUMLAH CITRA DAUN YANG DIKLASIFIKASI DENGAN BENAR No. Common
Name(s)
Jumlah Daun
Angular Partition yang digunakan 5 11.25 22,5 30 45 90 1 pubescent bamboo 59 59 59 59 58 57 52 2 Chinese horse chestnut 63 61 60 59 59 59 51 3 Chinese redbud 72 71 71 71 69 71 60 4 true indigo 73 71 73 73 72 73 71 5 Japanese maple 56 52 52 55 53 54 48 6 Nanmu 62 58 57 56 60 59 51 7 castor aralia 52 51 50 48 52 49 43 8 goldenrain tree 59 59 59 58 58 58 54 9 Chinese cinnamon 55 54 49 49 49 46 40 10 Anhui Barberry 65 62 65 63 62 61 53 11 Big-fruited Holly 50 48 46 49 46 42 39 12 Japanese cheesewood 63 61 63 61 63 56 54 13 wintersweet 52 48 50 47 49 51 43 14 camphortree 65 63 62 63 63 57 46 15 Japan Arrowwood 60 53 58 57 54 57 38 16 sweet osmanthus 56 56 52 55 55 52 39 17 deodar 77 77 77 77 77 76 69 18 ginkgo, maidenhair tree 62 60 61 62 60 61 53 19 Crape myrtle 61 61 59 60 58 60 47 20 oleander 66 64 65 66 64 63 55
21 yew plum pine 60 59 60 58 59 59 51
22 Japanese Flowering Cherry 55 53 52 55 52 54 51 23 Glossy Privet 55 51 54 54 53 53 41 24 Chinese Toon 65 64 63 63 63 64 58 25 peach 54 48 51 51 45 44 34 26 Ford Woodlotus 52 52 50 48 47 47 32 27 trident maple 53 51 50 50 52 49 48 28 Beale's barberry 55 50 52 55 53 55 51 29 southern magnolia 57 56 56 56 54 53 52 30 Canadian poplar 64 62 64 62 63 63 58
31 Chinese tulip tree 53 50 50 51 48 52 42
32 tangerine 56 55 55 54 56 52 45
AKURASI= 𝑇𝑃
Gambar 9(a) adalah pengujian untuk gambar 7(a) yang telah dilakukan proses flip secara vertikal, hasil pengujian tampak bahwa Citra daun 2331 Sweet Osmanthus yang telah di flip vertikal masih dapat diklasifikasikan dengan benar.
Gambar 9(b) adalah pengujian untuk gambar 7(b) yang telah dilakukan proses flip secara vertikal, hasil pengujian tampak bahwa Citra daun 3345 Beale Barberry yang telah di flip vertikal masih dapat diklasifikasikan dengan benar.
C. Rotasi 90° searah jarum jam (kekanan)
Gambar 7(a) dan 7(b) dirotasikan 90° kekanan dengan ms paint, lalu dilakukan proses pengklasifikasian dengan BPNN.
Gambar 10(a) adalah pengujian untuk gambar 7(a) yang telah dilakukan proses rotasi kekanan 90°, hasil pengujian tampak bahwa Citra daun 2331 Sweet Osmanthus yang telah di rotasi 90° kekanan masih dapat diklasifikasikan dengan benar.
Gambar 10(b) adalah pengujian untuk gambar 7(b) yang telah dilakukan proses rotasi 90° kekanan, hasil pengujian tampak bahwa Citra daun 3345 Beale Barberry yang telah di rotasi 90° kekanan masih dapat diklasifikasikan dengan benar.
D. Rotasi 90° berlawanan arah jarum jam (kekiri)
Gambar 7(a) dan 7(b) dirotasikan 90° kekiri dengan ms paint, lalu dilakukan proses pengklasifikasian dengan BPNN.
Gambar 11(a) adalah pengujian untuk gambar 7(a) yang
telah dilakukan proses rotasi kekiri 90°, hasil pengujian tampak bahwa Citra daun 2331 Sweet Osmanthus yang telah di rotasi 90° kekiri masih dapat diklasifikasikan dengan benar.
Gambar 11(b) adalah pengujian untuk gambar 7(b) yang telah dilakukan proses rotasi 90° kekiri, hasil pengujian tampak bahwa Citra daun 3345 Beale Barberry yang telah di rotasi 90° kekiri masih dapat diklasifikasikan dengan benar.
E. Pengujian dengan Meresize Citra Daun
Pengujian ini dilakukan dengan mengecilkan citra daun menjadi 50% dan membesarkan citra daun sebesar 150% dari citra asal. Pada Gambar 12(a), (b),(c) dan (d) terlihat bahwa dengan angular partition untuk membuat dataset, citra daun masih dapat diklasifikasikan dengan benar. TABEL V PERBANDINGAN AKURASI METODE AKURASI PNN [1] 90% PNN [10] 93.75%
BPNN [13] (swedish leaf dataset) 96.53% PNN [11] (600 citra tumbuhan obat) 86.19%
Feed Forward NN [6] 71.4% Penelitian ini 96,75% TABEL VI AKURASI ANTAR AP SUDUT AKURASI 5 96,49% 11.25 96,75% 22.5 96,75% 30 95,75% 45 94,76% 90 82,28 (a) (b)
Gambar 11. Hasil Klasifikasi BPNN Citra Daun di Rotasi 90° Kekiri (a) 2331 Sweet Osmanthus, (b)3345 Beale Barberry
(a)
(b)
Gambar 9. Hasil Klasifikasi Citra Daun di Flip Vertikal (a) 2331 Sweet Osmanthus, (b)3345 Beale Barberry
V. KESIMPULAN
Kesimpulan yang didapat dari penelitian ini adalah
Metode BackPropagation Neural Network dapat dipakai untuk mengklasifikasikan citra daun dengan tingkat
akurasi yang tinggi yaitu sebear 96,75% dengan Angular Partition sebesar 11,25° dan 22,5°.
Ekstraksi feature dengan Angular Partition memiliki kelebihan yaitu citra dapat di flip secara horisontal maupun vertikal, dapat dirotate kekanan 90 maupun kekiri 90, serta dapat diresize baik dikecilkan 50% maupun diperbesar 150%. Seperti yang tampak pada Gambar 8,9,10,11, dan 12
Pada Tabel 5 tampak bahwa semakin besar angular partition menyebabkan ciri-ciri dari citra daun menjadi bias, sedangkan semakin kecil angular partition, ciri-ciri dari citra daun semakin tidak terlihat.
DAFTAR PUSTAKA
[1] S. G. Wu, F. S. Bao, E. Y. Xu, Y. X. Wang, Y. F. Chang, and Q. L. Xiang, “A leaf recognition algorithm for plant classification using probabilistic neural network,” ISSPIT 2007 - 2007 IEEE Int. Symp. Signal Process. Inf. Technol., pp. 11–16, 2007
[2] A. Chalechale, G. Naghdy, and A. Mertins, “Sketch-based image matching using angular partitioning,” IEEE Trans. Syst. Man, Cybern. Part ASystems Humans., vol. 35, no. 1, pp. 28–41, 2005.
[3] N. (New J. I. of T. Ravindra, L. (New J. I. of T. Buss-Alexander, H. (New J. I. of T. McCloud, R. D. (New J. I. of T. Rivero, K. (Johns H. U. Ravindra, and J. (Wiliam D. H. S. Misterio, “Variation of Fractal Dimension of Leaves Based on Stem Position,” p. 12, 2007.
[4] Boran Şekeroğlu,Yücel İnan, “Leaf Recognition System Using Neural Network, Procedia Computer Science,vol. 10, pp. 578-582, August, 2016 [5] Y. LeCun et al., “Backpropagation Applied to Handwritten Zip Code Recognition,” Neural Computation, Vol. 1, No. 4, hal. 541–551, 1989. [6] Y. Ye, C. Chen, C.-T. Li, H. Fu, and Z. Chi, “A computerized plant species recognition system,” in Proceedings of 2004 International Symposium on Intelligent Multimedia, Video and Speech Processing, Hong Kong, October 2004.
[7] Aurélien Géron, “Hands-On Machine Learning With Scikit-Learn &
TensorFlow”, 1st Edition, O’reilly, US, 2017
[8] Simon Haykin, “Neural Network A Comprehensive Foundation”, 2nd Edition, Prentice Hall, 2001.
[9] B. S. Bama, S. M. Valli, S. Raju, and V. A. Kumar, “Conten based leaf image retrieval using shape, color and texture features”, Indian Journal of Computer Science and Engineering, vol. 2, no. 2, 2011, pp. 202-211 [10] A.Kadir,Lukito E.N, Adhi N, “Leaf Classification Using Shape, Color, and Texture Features”, International Journal of Computer Trends and Technology, July to Aug, 2011.
[11] D. A. Ratu, “Ekstraksi Daun Menggunakan Dimensi Fraktal untuk Identifikasi Tumbuhan Obat di Indonesia.” Dep. ILMU Komput. Fak. Mat. DAN ILMU Pengetah. ALAM Inst. Pertan. BOGOR, 2011.
[12] K. Verma, L. K. Verma, and P. Tripathi, “Image Classification using Backpropagation Algorithm,” Journal of Computer Science, July 2014. [13] I. Yahiaoui and A. Verroust-blondet, “A shape-based approach for leaf classification using multiscale triangular representation To cite this version: A shape-based approach for leaf classification using multiscale triangular representation.,” 2013.
Elkana Lewi Santoso (elkanaliu@gmail.com) lahir di Surabaya tahun 1973, Jawa Timur, Indonesia. Lulus S1 di Sekolah Tinggi Teknologi Cahaya Surya Kediri tahun 2000. Aktif Mengajar di STT Cahaya Surya Kediri tahun 2000-sekarang. Fokus pada bidang Networking, Operating System, Neural Network.
(a)
(b)
(c)
(d)
Gambar 12. Hasil Klasifikasi BPNN Citra Daun diresize. (a) 2331 dikecilkan 50%, (b) 2331 diperbesar 150% (c)3345 dikecilkan 50%, (d) 3345 diperbesar 150%
(a) (b)
